CN109365769B - 一种基于混合模型判断的结晶器漏钢预报方法 - Google Patents
一种基于混合模型判断的结晶器漏钢预报方法 Download PDFInfo
- Publication number
- CN109365769B CN109365769B CN201811548856.7A CN201811548856A CN109365769B CN 109365769 B CN109365769 B CN 109365769B CN 201811548856 A CN201811548856 A CN 201811548856A CN 109365769 B CN109365769 B CN 109365769B
- Authority
- CN
- China
- Prior art keywords
- temperature
- crystallizer
- image
- model
- thermocouple
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Continuous Casting (AREA)
Abstract
本发明请求保护一种基于混合模型判断的结晶器漏钢预报方法,包括以下步骤:1)对结晶器内部热电偶实时温度采集,发送到计算机终端;2)对采集到温度值修正并建模,将温度值转化为DIB图像保存;3)对DIB图像进行离散化,通过热成像系统得到结晶器温度场;4)对温度场分布图像进行图像识别分类,判断结晶器各热电偶温度是否正常;5)根据图像识别结果,以及综合专家系统的结果来综合判断温度是否出现异常及其原因,从而预报是否出现结晶器漏钢现象。本发明实现了对连铸生产结晶器漏钢准确预报和警告,提高了连铸坯的质量。
Description
技术领域
本发明属于冶炼连铸生产领域,具体属于一种连铸生产结晶器漏钢预报方法。
背景技术
在连铸工艺中,结晶器是一个高效的传热器,其主要作用是导出钢水的热量,使钢水出结晶器后形成一定厚度的坯壳。在生产过程中,结晶器形成坯壳的速度与厚度,以及坯壳形成的几何尺寸,保护渣对于结晶器壁的润滑程度等,对于连铸坯的质量都产生着重大的影响。
如果存在结晶器与连铸坯之间润滑不好、结晶器振动不均匀、拉速不稳、冷却不均等因素,会导致钢水从结晶器壁渗出。结晶器漏钢是连铸生产中的恶性事故,它不仅产生废品、降低铸机作业率和影响产量,而且损坏设备,极大地降低企业经济效益。每次漏钢都会造成巨大的经济损失,因此,铸机漏钢次数成为衡量铸机生产水平高低的重要指标之一,减少粘结性漏钢是降低连铸漏钢率的关键。通过不断积累数据,总结经验,降低漏钢事故,是降低成本增加效益的有效途径之一。
如果通过检测元件将现场的温度、位置、摩擦力等信号采集到控制系统,对结晶器实现在线监控和离线分析,那么对结晶器的工作状态便可以进行管理与跟踪,可以对生产产生指导作用。鉴于结晶器管理的重要性,研发结晶器智能管理系统,用来监视铸坯在结晶器中的凝结状态,以及与结晶器控制相关的一些数据信息,并进行漏钢预报,以及热流和热电偶、摩擦力、结晶器开口等异常情况时的报警,对连铸机稳定生产和提高铸坯质量有着极其重要的作用。
现有技术中,对于结晶器漏钢预报方法通常有以下做法:
1)基于逻辑判断的漏钢预报:一种基于逻辑判断结晶器漏钢预报方法(专利申请号:2017100346797.4)公开了一种结晶器漏钢预报控制方法,具体为坯连铸过程中根据结晶器热电偶温度变化情况防止粘结漏钢发生的方法。技术方案为:一种板坯连铸漏钢预报控制方法,在结晶器上安置多排热电偶,其特征是包括以下步骤:A.根据结晶器参数、热电偶在结晶器的安装位置,确定每个热电偶的典型温度特征;B.根据相邻热电偶的典型温度特征,同时考虑漏钢温度传递和温度异常分布特征,确定每个热电偶漏钢几率;C.当系统预测到粘结性漏钢时,停止浇铸。此方法为常见的漏钢预报逻辑判断方法,其不足之处就是随着设备老化和材料更换,粘结漏钢时的重要特征参数会逐渐有改变,那么漏钢预报判断就会越来越不准确。
3)关于采用神经网络对粘结性漏钢进行预报的方法。如发明一种基于神经网络的连铸漏钢预报方法(申请专利号201010207115.X)公开了一种基于神经网络的连铸漏钢预报方法。,解决现有技术中结晶器内部加入热电偶,在线采集连铸现场的热电偶温度数据,并将温度处理后输入单偶时序模型,并使用遗传算法模块进行对比、判定,对超出规定的则予以报警和记录。此系统的的不足之处在于,神经网络和遗传算法模型两种模型都需要以大量的数据来作为训练集,在生产系统初期,模型的训练样本不足,数据完善,整个漏钢预报系统都会存在误报警。同时,在该方案的步骤3中,通过单偶时序模型到组偶空间模型的构建,也完全依赖于神经网络方法。由此可见,组偶空间模型没有考虑到粘结性V型撕裂口传播时的热电偶温度空间变化特征。在实际生产过程中出现热电偶故障时和结晶器温度波动变化大等状态时,该模型会出现误报和漏报,无法达成高的报出率。
本发明充分利用图像分类识别的优势,解决了以BP神经网络方式来识别由于生产初期数据集不足、没有足够的训练样本产生误差的问题,通过专家系统预判与图像识别分类(正常或异常)结果综合判断,即使材料老化和更换,热电偶温度场仍然符合专家系统判断规则,克服了单纯的逻辑分类判断模型输出结果不稳定缺点,达到了较好的结晶器漏钢预报,及时精确的判断结晶器粘结性问题,避免出现漏钢等生产事故,提高连铸生产质量。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于混合模型的结晶器漏钢预报方法,高效快速地判断结晶器是否出现漏钢,及时判断结晶器状态,以提高铸坯生产质量的基于混合模型判断的结晶器漏钢预报方法。本发明的技术方案如下:
一种基于混合模型判断的结晶器漏钢预报方法,其包括以下步骤:
UU1、通过热电偶采集结晶器温度,并上传到计算机;
U2、对采集到温度值修正并建模得到混合模型,混合模型包括图像分类识别模型与专家系统模型,图像分类识别模型用于温度场图像识别分类,专家系统模型用于对分部在结晶器上的热电偶的温度值进行判断是否正常,将温度值转化为设备无关位图(DIB)图像保存;
U3、对DIB图像采样进行离散化,用空间上的部分点的灰度值表示图像,通过热成像系统得到结晶器温度场;
U4、对温度场分布图像进行图像识别分类,判断结晶器各热电偶温度是否正常;
U5、根据图像识别结果,综合专家系统预判热电偶是否出现异常,从而预报是否出现结晶器漏钢现象。
进一步的,所述U2步骤中,对温度进行修正具体包括:使用热电偶测量温度,通过数字修正器后输入到运算修正模型,进行温度修正,根据补偿关系曲线与非标温度值关系,实现无论何种非标温度计,通过前后两步处理,最终温度检测值都稳定地贴近于国际温标曲线关系,呈现高精度检测特征。
进一步的,所述图像分类识别模型的构建具体为:
模型输入变量的确定、模型输出变量的确定、图像分类识别,得出识别结果;首先对模型输入变量进行确定,从结晶器采集上来的温度值经过热成像系统以后,得到一幅温度场图,将温度场图送入图像识别模型;通过该模型后得到一个结果,即结晶器温度正常或结晶器温度异常两类结果;通常,图像分类识别的结果即为连铸胚生产是否出现漏钢,得出预报结果,由于单一的预报方式存在误报和预报精度不高,因此将图像识别模型与专家系统进行综合比较得出最终结果。
进一步的,所述专家系统模型的构建具体为:
根据现场的实际工况对专家系统进行调整。专家系统的五大基本判断规则如下所示:
(1)根据上层热电偶在最近200个周期内平均升高的温度值A1,确定判断阀值A2,确定系数a;
(2)根据上层热电偶在最近30个周期内升高的温度值B1,确定判断阀值B2,确定系数b;
(3)根据下层热电偶在最近200个周期内平均升高的温度值C1,确定判断阀值C2,确定系数c;
(4)根据下层热电偶在最近30个周期内升高的温度值D1,确定判断阀值D2,确定系数d;
(5)根据在30个周期内下层热电偶与上层热电偶的温度差E1,确定判断阀值E2,确定系数e;
通过调整A2~E2的参数,及通过运算法则得出的a~e的参数,通过一定的规则叠加,最后得出专家系统的结论,专家系统通过对一段时间内热电偶温度平均值的观察,排除大多数数据波动造成的误报,通过对上一模型图像分类识别的结果分析,以及综合专家系统,最后得出结晶器漏钢预报结果。
进一步的,所述U4步骤中,对温度场分布图像进行分类识别,包括以下步骤:
U4.1、对图进行剪切,减少图像边缘对结果判定的干扰;
U4.2、将处理后的图像离散化,生成包含像素色彩信息的TXT文件,每一行代表一个像素点,包括该像素的坐标和颜色信息,根据像素点统计温度场图像像素分布,定义图像Y,位于(i,j)的像素值为红色值Ri,j,公式如下:
即若Ri,j=1,则表示该颜色为红色;若Ri,j=0,则表示为其他颜色;
使用正则表达式计算筛选每一行中这个像素的RGB,判断该行是否符合要求像素范围,统计每一个时刻的温度场图像的红色像素点。根据统计得到的红色像素点,计算得到红色像素所占据整个图像比例,读取数据库历史记录,查找相同条件下得到的结果集,寻找最优值,并更新数据库最优值记录。
本发明的优点及有益效果如下:
本发明与现有的板坯连铸结晶器漏钢预报方法相比,具有如下的显著效果:
(1)热电偶温度采集后通过修正型高精度温度系统修正温度值,使得热电偶温度修正后的分布更加接近实际值,从而得到的温度场图也更好地表现出结晶器实际温度分布。
(2)通过图像分类识别模型后与专家系统综合比较,从而得到预报结果,误报率更低,报出率更高。
(3)通过本发明提出的混合模型,充分的利用图像分类识别的优势,解决了以BP神经网络方式来识别由于生产初期数据集不足、没有足够的训练样本产生误差的问题,通过专家系统预判与图像识别分类(正常或异常)结果综合判断,克服了单纯的逻辑分类判断模型输出结果不稳定缺点,达到了较好的结晶器漏钢预报,及时精确的判断结晶器粘结性问题,避免出现漏钢等生产事故,提高连铸生产质量。
附图说明
图1是本发明提供优选实施例基于混合模型判断的结晶器漏钢预报方法具体实施流程图;
图2为板坯连铸结晶器漏钢预报系统硬件结构示意图;
图3修正曲线与非标温度值关系示意图;
图4为板坯连铸结晶器漏钢预报系统漏钢预报流程图;
图5为板坯连铸结晶器漏钢预报系统应用软件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
下面结合具体实施方式并对照附图对本发明做进一步详细说明。
如图1所示,为本发明具体实施流程图,包括以下步骤:
U1、通过热电偶采集结晶器温度,并上传到计算机;
U2、对采集到温度值修正并建模得到混合模型,混合模型包括图像分类识别模型与专家系统模型,图像分类识别模型用于温度场图像识别分类,专家系统模型用于对分部在结晶器上的热电偶的温度值进行判断是否正常,将温度值转化为设备无关位图(DIB)图像保存;
U3、对DIB图像进行采样进行离散化,用空间上的部分点的灰度值表示图像,通过热成像系统得到结晶器温度场;
U4、对温度场分布图像进行图像识别分类,判断结晶器各热电偶温度是否正常;
U5、根据图像识别结果,综合专家系统预判热电偶是否出现异常,从而预报是否出现结晶器漏钢现象。
其中U2步骤中,对温度进行修正。由于热电偶在采集温度以及传输过程中需要通过电缆传输信号,线径粗细、杂质、成分非均质化等因素,都会可能导致同种电缆电阻存在一些非平衡差异,以及在AD转换过程存在转换精度的损失问题。温度修正曲线与非标温度值关系如图3所示,将误差大部分修正消除,实现无论何种非标温度计,通过前后两步处理,最终温度检测值都稳定地贴近于国际温标曲线关系,呈现高精度检测特征。
本发明的混合模型,主要包括以下两个部分:图像分类识别模型与专家系统模型;
(1)图像分类识别模型
图像分类识别模型的构建包括:模型输入变量的确定、模型输出变量的确定、图像分类识别,得出识别结果。首先对模型输入变量进行确定,从结晶器采集上来的温度值经过热成像系统以后,得到一幅温度场图,将温度场图送入图像识别模型。通过该模型后得到一个结果,即结晶器温度正常或结晶器温度异常两类结果。通常,图像分类识别的结果即为连铸胚生产是否出现漏钢,得出预报结果,但由于单一的预报方式存在误报和预报精度不高,因此将图像识别模型与专家系统进行综合比较得出最终结果。
(2)专家系统模型
由于现场的实际情况于理想曲线出入很大,单单凭借图像分类识别难以达到最佳的预报效果,所以需要根据现场的实际工况对专家系统进行调整。专家系统的五大基本判断规则如下所示:
(1)根据上层热电偶在最近200个周期内平均升高的温度值A1,确定判断阀值A2,确定系数a;
(2)根据上层热电偶在最近30个周期内升高的温度值B1,确定判断阀值B2,确定系数b;
(3)根据下层热电偶在最近200个周期内平均升高的温度值C1,确定判断阀值C2,确定系数c;
(4)根据下层热电偶在最近30个周期内升高的温度值D1,确定判断阀值D2,确定系数d;
(5)根据在30个周期内下层热电偶与上层热电偶的温度差E1,确定判断阀值E2,确定系数e。
通过调整A2~E2的参数,及通过一定的运算法则得出的a~e的参数,通过一定的规则叠加,最后得出专家系统的结论。
此专家系统可以通过对一段时间内热电偶温度平均值的观察,排除大多数数据波动造成的误报。通过对上一模型图像分类识别的结果分析,以及综合专家系统,最后得出结晶器漏钢预报结果。
得到高精度温度以后,U4步骤中,对温度场分布图像进行分类识别,包括以下步骤:
U4.1、对于图进行剪切,减少图像边缘对结果判定的干扰。
U4.2、将处理后的图像离散化,生成包含像素色彩信息的TXT文件,每一行代表一个像素点,包括该像素的坐标和颜色信息。根据像素点统计温度场图像像素分布,定义图像Y,位于(i,j)的像素值为红色值Ri,j,公式如下:
即若Ri,j=1,则表示该颜色为红色;若Ri,j=0,则表示为其他颜色。
使用正则表达式计算筛选每一行中这个像素的RGB,判断该行是否符合要求像素范围,统计每一个时刻的温度场图像的红色像素点。根据统计得到的红色像素点,计算得到红色像素所占据整个图像比例,读取数据库历史记录,查找相同条件下得到的结果集,寻找最优值,并更新数据库最优值记录。
其中U5步骤中,对图像分类识别结果与专家系统综合预判,通过专家系统与图像分类识综合预判,最终进行结晶器漏钢预报。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (1)
1.一种基于混合模型判断的结晶器漏钢预报方法,其特征在于,包括以下步骤:
U1、通过热电偶采集结晶器温度,并上传到计算机;
U2、对采集到温度值修正并建模得到混合模型,将温度值转化为设备无关位图DIB图像保存;混合模型包括图像分类识别模型与专家系统模型,图像分类识别模型用于结晶器温度场分布图像分类识别,专家系统模型用于对分布在结晶器上的热电偶的温度值进行判断是否正常;
所述U2步骤中,对温度进行修正具体包括:使用热电偶测量温度,通过数字修正器后输入到运算修正模型,进行温度修正,根据补偿关系曲线与非标温度值关系,从而可以实现无论何种非标温度计,通过前后两步处理,最终温度检测值都稳定地贴近于国际温标曲线关系,呈现高精度检测特征;
所述图像分类识别模型的构建具体为:
模型输入变量的确定、模型输出变量的确定、图像分类识别,得出识别结果;首先对模型输入变量进行确定,从结晶器采集上来的温度值经过热成像系统以后,得到一幅结晶器温度场分布图像,将结晶器温度场分布图像送入图像分类识别模型;通过该模型后得到一个结果,即结晶器温度正常或结晶器温度异常两类结果;通常,图像分类识别的结果即为连铸坯生产是否出现漏钢,得出预报结果,由于单一的预报方式存在误报和预报精度不高,因此将图像分类识别模型与专家系统模型进行综合比较得出最终结果;
U3、对DIB图像进行采样进行离散化,用空间上的部分点的灰度值表示图像,通过热成像系统得到结晶器温度场分布图像;
U4、对结晶器温度场分布图像进行图像分类识别,判断结晶器各热电偶温度是否正常;
U5、根据图像分类识别结果,综合专家系统模型预判热电偶是否出现异常,从而预报是否出现结晶器漏钢现象;
所述专家系统模型的构建具体为:
根据现场的实际工况对专家系统进行调整,专家系统的五大基本判断规则如下所示:
(1)根据上层热电偶在最近200个周期内平均升高的温度值A1,确定判断阀值A2,确定系数a;
(2)根据上层热电偶在最近30个周期内升高的温度值B1,确定判断阀值B2,确定系数b;
(3)根据下层热电偶在最近200个周期内平均升高的温度值C1,确定判断阀值C2,确定系数c;
(4)根据下层热电偶在最近30个周期内升高的温度值D1,确定判断阀值D2,确定系数d;
(5)根据在30个周期内下层热电偶与上层热电偶的温度差E1,确定判断阀值E2,确定系数e;
通过调整A2~E2的参数,及通过运算法则得出的a~e的参数,通过一定的规则叠加,最后得出专家系统的结论,专家系统通过对一段时间内热电偶温度平均值的观察,排除大多数数据波动造成的误报,通过对上一模型图像分类识别的结果分析,以及综合专家系统,最后得出结晶器漏钢预报结果;
所述U4步骤中,对结晶器温度场分布图像进行图像分类识别,包括以下步骤:
U4.1、对图进行剪切,减少图像边缘对结果判定的干扰;
U4.2、将处理后的图像离散化,生成包含像素色彩信息的TXT文件,每一行代表一个像素点,包括该像素的坐标和颜色信息,根据像素点统计结晶器温度场分布图像像素分布,定义图像Y,位于(i,j)的像素值为红色值Ri,j,公式如下:
即若Ri,j=1,则表示该颜色为红色;若Ri,j=0,则表示为其他颜色;
使用正则表达式计算筛选每一行中这个像素的RGB,判断该行是否符合要求像素范围,统计每一个时刻的结晶器温度场分布图像的红色像素点,根据统计得到的红色像素点,计算得到红色像素所占据整个图像比例,读取数据库历史记录,查找相同条件下得到的结果集,寻找最优值,并更新数据库最优值记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811548856.7A CN109365769B (zh) | 2018-12-18 | 2018-12-18 | 一种基于混合模型判断的结晶器漏钢预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811548856.7A CN109365769B (zh) | 2018-12-18 | 2018-12-18 | 一种基于混合模型判断的结晶器漏钢预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109365769A CN109365769A (zh) | 2019-02-22 |
CN109365769B true CN109365769B (zh) | 2021-03-30 |
Family
ID=65374222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811548856.7A Active CN109365769B (zh) | 2018-12-18 | 2018-12-18 | 一种基于混合模型判断的结晶器漏钢预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109365769B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109954854B (zh) * | 2019-04-10 | 2021-02-26 | 中冶赛迪工程技术股份有限公司 | 连铸机结晶器漏钢监测方法、装置、存储介质及电子终端 |
CN110340322B (zh) * | 2019-08-22 | 2022-01-18 | 联峰钢铁(张家港)有限公司 | 一种连铸自动开浇的方法和装置 |
CN110918973B (zh) * | 2019-12-11 | 2021-04-27 | 东北电力大学 | 一种基于游程的结晶器热像图异常区域标记方法 |
CN111570748B (zh) * | 2020-04-28 | 2021-08-06 | 中冶南方连铸技术工程有限责任公司 | 基于图像处理的结晶器漏钢预报方法 |
CN111618265B (zh) * | 2020-05-06 | 2021-07-16 | 大连理工大学 | 一种基于k近邻分类的连铸坯纵裂纹在线检测方法 |
CN112198811B (zh) * | 2020-09-09 | 2022-08-23 | 重庆邮电大学 | 挤压成形温度场时空分离建模与均匀性评估系统及方法 |
EP4091737A1 (de) | 2021-05-17 | 2022-11-23 | Primetals Technologies Austria GmbH | Umrechnung von gemessenen temperaturwerten einer stranggiesskokille |
CN113319259B (zh) * | 2021-06-07 | 2022-09-20 | 东北电力大学 | 一种基于空间-时序特征的黏结漏钢逻辑判断方法 |
CN113772738B (zh) * | 2021-09-28 | 2023-09-12 | 广西埃索凯新材料科技有限公司 | 一种基于视觉技术的饲料级硫酸锰的生产控制系统 |
CN115582550A (zh) * | 2022-10-17 | 2023-01-10 | 深圳市深汕特别合作区万泽精密科技有限公司 | 中间包、中间包的漏钢保护系统及气雾化制粉装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0557412A (ja) * | 1991-08-28 | 1993-03-09 | Nippon Steel Corp | 連続鋳造の拘束性ブレークアウト予知方法 |
JPH09108802A (ja) * | 1995-10-20 | 1997-04-28 | Nippon Steel Corp | ブレイクアウト検知方法及びそれを用いた処理方法 |
JP3494084B2 (ja) * | 1999-07-12 | 2004-02-03 | Jfeスチール株式会社 | 溶融金属取扱い設備における異常事態の自動検出方法及び装置 |
KR100523793B1 (ko) * | 2000-08-18 | 2005-10-26 | 주식회사 포스코 | 연속주조 공정에서의 브레이크 아웃 감시장치 및 그 방법 |
CA2414167A1 (en) * | 2002-12-12 | 2004-06-12 | Dofasco Inc. | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
CN101850410B (zh) * | 2010-06-22 | 2012-06-20 | 攀钢集团钢铁钒钛股份有限公司 | 一种基于神经网络的连铸漏钢预报方法 |
JP5779949B2 (ja) * | 2011-04-11 | 2015-09-16 | Jfeスチール株式会社 | 連続鋳造におけるブレークアウトの検知方法 |
JP2013221659A (ja) * | 2012-04-16 | 2013-10-28 | Jfe Steel Corp | 漏鋼位置の予測方法 |
CN102699302B (zh) * | 2012-07-10 | 2014-01-22 | 中冶赛迪电气技术有限公司 | 一种板坯连铸结晶器漏钢预报系统及其预报方法 |
CN102886504B (zh) * | 2012-10-31 | 2014-06-25 | 大连理工大学 | 一种基于机器视觉的结晶器漏钢可视化预报方法 |
CN106980729B (zh) * | 2015-07-24 | 2018-08-17 | 安徽工业大学 | 一种基于混合模型的连铸漏钢预报方法 |
CN105328155B (zh) * | 2015-10-08 | 2017-09-08 | 东北电力大学 | 一种基于改进神经网络的漏钢可视化特征预报方法 |
-
2018
- 2018-12-18 CN CN201811548856.7A patent/CN109365769B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109365769A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109365769B (zh) | 一种基于混合模型判断的结晶器漏钢预报方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN108038553B (zh) | 轧机设备状态在线监测与诊断系统及监测诊断方法 | |
Lin et al. | Time series prediction algorithm for intelligent predictive maintenance | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
TW201615844A (zh) | 異因分析與校正方法與系統 | |
CN109933905B (zh) | 一种基于多维预警分析的机械设备健康状态评估方法 | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN117235649A (zh) | 一种基于大数据的工业设备状态智能监测系统及方法 | |
CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
CN111913443A (zh) | 基于相似性的工业设备故障预警方法 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
CN116108445A (zh) | 一种信息系统智能化风险预警管理方法及系统 | |
CN117350582A (zh) | 一种基于5g网络的农产品供应链综合服务系统 | |
CN117607780A (zh) | 一种电能计量装置异常分析系统及其分析方法 | |
CN117252624A (zh) | 一种基于智能化成本核算管理系统及方法 | |
CN117057608A (zh) | 企业安全生产风险预警系统 | |
CN116610105A (zh) | 一种基于数据融合的轧机机械运行故障监测方法及系统 | |
CN111667391A (zh) | 一种环保大数据监测系统 | |
CN116432469A (zh) | 一种基于大数据的数据通道管理系统及方法 | |
CN114819628B (zh) | 一种可视化工程监理系统 | |
CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
CN113392576B (zh) | 一种系留气球主缆绳拉力状态评估预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |